Bu video, yapay zeka ajanlarını tarayıcıda gerçek görevleri yerine getirmek üzere nasıl tasarlayıp eğitebileceğinizi gösteren kapsamlı bir rehberdir. Video sunucusu, Claude Code, Browser Use ve Jev kullanarak 101 Okey oyununu oynayan bir AI ajanı geliştirme sürecini adım adım anlatarak, bu yaklaşımın tarayıcıdaki herhangi bir tekrarlı işe nasıl uygulanabileceğini göstermektedir. Sistem, sayfanın görsel tasvirini değil, kendi HTML/DOM verisini okumaya dayandığından daha güvenilir ve verimlidir. Videoda anlatılan 5 katmanlı mimari—veri okuma, kural defteri, karar mekanizması, güven eşikleri ve canlı izleme—, yapay zeka modellerini kör ve eli kapalı değil, yapılandırılmış bilgi ve insan denetimi altında çalıştırmak için tasarlanmıştır.

Browser Use, dış bir kütüphane olmakla birlikte, burada yalnızca "göz ve el" olarak (sayfayı okumak ve tıklamak) kullanılmıştır; asıl zeka, öğrenilen kurallar ve karar mekanizmasında yatmaktadır. Jev, OpenRouter üzerinden sunulan bir LLM çeşididir ve video boyunca model değişmeksizin, yalnızca katmanlar arasında verilen bilgiler iyileştirilerek başarı oranı dramatik biçimde artırılmıştır. Python ve kütüphaneler uv aracıyla üç komutla kurulabilmektedir. Görülmektedir ki yapay zeka ajanlarının başarısı modelinin güçlüğünden ziyade, ne vergi, ne kurallar ve ne tür karar mekanizması ile yapılandırıldığına bağlıdır. Kural defteri, her hamle öncesinde yapay zekaya rehberlik eder; eminlik eşiği (confidence threshold), şüpheli durumda insan müdahalesini tetikler. Videoda gösterilen canlı karar paneli, ajanın her seçimini gerçek zamanlı izleyerek, hem geliştirme hem de hata ayıklama aşamasını büyük ölçüde kolaylaştırmaktadır.

Videoda ele alınan beş gerçek hata—taş seçiminde yanlış sıralam, kuralları yanlış yorumlama, sayfa durumunu okumaması, fazla agresif hamle ve ceza hesaplamasında yanılma—, yapay zeka sistemlerinin neden "emin bir şekilde yanlış" yapabildiğini somut örneklerle açıklamaktadır. İlk durumlarda ajanın taş atarken eminlik oranı %50 iken, kurallar sistemli hâle getirildikçe %81'e çıkmış; el başına ortalama ceza 100'ün üzerinden 7,5'a, son durumda eksi 202'ye inmiştir (yani oyun kazanıyor). Yaklaşık 10.000 tur oynanması, OpenRouter API kullanılan bu sistemin düşük maliyetli ölçekte (1 dolar civarında) uygulanabilir olduğunu göstermektedir. Bu, üretim ortamında web panellerindeki, muhasebe yazılımlarındaki veya e-ticaret sitelerindeki tekrarlı işleri otomatikleştirmek için ideal bir çerçevedir.

Video, web geliştirici ve makine öğrenmesine ilgi duyan kişiler için olduğu kadar, Claude Code ile kod yazmadan proje geliştirmeyi öğrenmeyi isteyenler, yapay zeka ajanlarının gerçek sınırlarını anlamak isteyenler ve özellikle Web bots/otomasyonları tasarlamak zorunda olanlar açısından son derece değerlidir. Videoda sunulan yaklaşım, yapay zekanın gücünü ve sınırlarını dengeleyen bir paradigmanın örneğidir: model ne kadar güçlüyse, kural ve rehberlik o kadar kritikdir. Başlangıçta ajanın başarısız hamleler yaptığı gösterilmektedir; ancak sistem olgunlaştıkça, kötü oyunlar artık kötü AI kararından değil, oyunun kendisinin zorluğundan kaynaklanır. Bu, yapay zekaya gerçek görevler yaptırmanın sadece model seçimi veya prompt yazma değil, sistem tasarlamak olduğunu göstermektedir.